CN113654571A - 基于云存储的高精度地图的无人驾驶交通载具的导航方法 - Google Patents
基于云存储的高精度地图的无人驾驶交通载具的导航方法 Download PDFInfo
- Publication number
- CN113654571A CN113654571A CN202110454859.XA CN202110454859A CN113654571A CN 113654571 A CN113654571 A CN 113654571A CN 202110454859 A CN202110454859 A CN 202110454859A CN 113654571 A CN113654571 A CN 113654571A
- Authority
- CN
- China
- Prior art keywords
- lane
- traffic
- road
- sub
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000008859 change Effects 0.000 claims abstract description 58
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 230000003068 static effect Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 description 13
- 239000003550 marker Substances 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 6
- 230000008447 perception Effects 0.000 description 6
- 102100036464 Activated RNA polymerase II transcriptional coactivator p15 Human genes 0.000 description 4
- 101000713904 Homo sapiens Activated RNA polymerase II transcriptional coactivator p15 Proteins 0.000 description 4
- 229910004444 SUB1 Inorganic materials 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 101150029328 SUB6 gene Proteins 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 101100153581 Bacillus anthracis topX gene Proteins 0.000 description 1
- 241000283070 Equus zebra Species 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 229910004438 SUB2 Inorganic materials 0.000 description 1
- 101150080287 SUB3 gene Proteins 0.000 description 1
- 235000013290 Sagittaria latifolia Nutrition 0.000 description 1
- 101100311330 Schizosaccharomyces pombe (strain 972 / ATCC 24843) uap56 gene Proteins 0.000 description 1
- 101150041570 TOP1 gene Proteins 0.000 description 1
- 101150104012 TOP2 gene Proteins 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 235000015246 common arrowhead Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- -1 muck ROAD surface Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 101150018444 sub2 gene Proteins 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3626—Details of the output of route guidance instructions
- G01C21/3658—Lane guidance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及基于云存储的高精度地图的无人驾驶交通载具的导航方法,所述方法包括以下步骤:获取交通载具行驶路径,通过电子地图导航技术来获取交通载具行驶起点和终点之间的最优路径,该最优路径由电子地图导航系统推荐,并为交通载具当前的行驶路径;获取交通载具的位置,交通载具的当前位置分为大致位置和精确位置,大致位置由定位系统获取,精确位置由高精度地图来获取;判断是否需要变更车道,若是,则进一步判断是否满足车道变更条件,若满足,则进行车道变更,若不满足,则不进行车道变更;若满足安全行驶的条件,则对当前交通载具进行车道进行变更,否则不进行车道变更。本发明可以实现无人驾驶汽车能高效,安全,可靠的完成自主换道。
Description
技术领域
本发明涉及车辆行驶控制技术领域,尤其涉及基于云存储的高精度地图的无人驾驶交通载具的导航方法。
背景技术
无人驾驶就是让汽车自己拥有环境感知、路径规划并自主实现车辆控制的技术,也就是用电子技术控制汽车进行的仿人驾驶或是自动驾驶。要实现无人驾驶的两大重要因素是高精度导航电子地图和车联网信息。
一方面,传统地图能够拥有导航路劲规划,拥堵信息提示,多条路劲规划的时间等信息,甚至可以获取路口是否有信号灯,道路上是否有测速照相等信息。但,传统地图只有米级的精度,对于车辆来说,米级的精度是完全不够的,难以达到自动驾驶的需求。
另一方面,要想实现无人驾驶,车辆自身和车辆行驶的道路及道路环境数据需要被车辆实时地获取并且经过中央处理单元的计算后,做出行驶决策,并反馈给车辆控制系统。这依赖于车联网大数据的有效采集和传输。
对于无人驾驶而言,车辆换道是车辆行驶过程中一个常见但复杂的行为,真实的道路场景是很复杂多变的,因而,如何实现无人驾驶汽车既能高效,安全,可靠的完成自主换道,还能覆盖复杂多变的道路场景,无疑是一个很大的挑战。
申请号为CN202010762553的专利中提到了一种基于并行计算的大规模交通仿真系统,包括车辆流量统计及计算模块、车辆位置及方向控制模块、分道模块、车辆变道模块、车辆选路控制模块、车辆路口行车模块、数据存储模块以及并行计算模块。而该系统未利用高精度地图信息,因此其所涉及的车辆变道的方法的可靠性难以保证。
申请号为US20200339118的专利中提到了一种执行车辆的自动驾驶的车辆控制装置,包括:车辆信息获取单元,用于获取与附近车辆相关的车辆信息;设置单元,其通过使用车辆信息来设置车辆和附近车辆之间的车距余量,并且根据车距余量来确定车辆的行驶速度的改变定时;以及驱动控制单元,在车道变换操作中,执行在所述变换定时改变所述车辆的行进速度的控制,以及在所述车道变换操作之后执行所述车辆与所述车辆的前一车辆之间的车距的控制。该方案中,为考虑交通载具的行驶环境,例如前方的红绿灯信息,因此其使用场景会受限制。
发明内容
为了现有技术存在的上述技术缺陷,本发明提供基于云存储的高精度地图的无人驾驶交通载具的导航方法,可以实现无人驾驶汽车能高效,安全,可靠的完成自主换道,可以有效解决背景技术中的问题。
为了解决上述技术问题,本发明提供的基于云存储的高精度地图的无人驾驶交通载具的导航方法和系统的技术方案具体如下:
本发明实施例公开了基于云存储的高精度地图的无人驾驶交通载具的导航方法,所述方法包括以下步骤:
获取交通载具行驶路径,通过电子地图导航技术来获取交通载具行驶起点和终点之间的最优路径,该最优路径由电子地图导航系统推荐,并为交通载具当前的行驶路径;
获取交通载具的位置,交通载具的当前位置分为大致位置和精确位置,大致位置由定位系统获取,精确位置由高精度地图来获取;
判断是否需要变更车道,若是,则进一步判断是否满足车道变更条件,若满足,则进行车道变更,若不满足,则不进行车道变更;
若满足安全行驶的条件,则对当前交通载具进行车道进行变更,否则不进行车道变更。
在上述任一方案中优选的是,高精度地图信息存储在云集群服务器中,所述云集群服务器至少包括两级服务器架构。
在上述任一方案中优选的是,获取精确位置的方法包括以下步骤:
获取交通载具的大致位置,通过大致位置获取该交通载具当前行驶的道路,获取周围环境物中的至少一个静态物,感知交通载具与至少一个静态物的距离,通过所确定的交通载具与静态物的距离确定该交通载具的精确位置。
在上述任一方案中优选的是,是否满足车道变更的条件的判断方法包括:
判断交通载具当前所在的车道是否满足条件1:该车道能够延伸到下一个交通路口,若交通载具行驶在不满足条件1的车道上,则获取下一个交通路口的车道信息。
在上述任一方案中优选的是,是否满足车道变更的条件的判断方法还包括:
若当前子道路的车道数量为M,而下一个交通路口的车道的数量为N,下一个交通路口的车道数量可通过高精度地图中最靠近该交通路口的子车道信息获得。
在上述任一方案中优选的是,是否满足车道变更的条件的判断方法还包括:
若M=N,则当前子道路上的车道与下一个交通路口所对应的子车道之间所有的子车道的车道是一致的,所述一致指的是各子道路的相互对应的子车道的宽度一样,并且互相连通。
在上述任一方案中优选的是,是否满足车道变更的条件的判断方法还包括:
在M=N的情况下,需判断当前子道路上的车道与下一个交通路口所对应的子车道之间所有的子车道的车道是否一致,若是,则表明交通载具所在的车道能够延伸到下一个交通路口。
在上述任一方案中优选的是,是否满足车道变更的条件的判断方法还包括:
若当前车道不能能够延伸到下一个交通路口,且仅下一个交通路口所对应的子车道与当前子车道的车道不一致,则判断当前子道路的车道数量M与下一个交通路口的车道的数量N之间的大小关系,若M>N,则行驶在当前子车道上的交通载具行驶到下一个路口时,车道数量变少。
在上述任一方案中优选的是,沿交通载具所在的当前子道路到下一个交通路口方向上遍历所有的子道路,若某一个子道路ROAD_SUBi,若满足ROAD_SUBi_Num>ROAD_SUBi-1_Num,且ROAD_SUBi最靠近下一个交通路口,则该子道路作为变更车道的起点。
在上述任一方案中优选的是,若交通载具行驶在满足条件1的车道上,则需要进一步判断是否满足条件2,即该车道延伸到下一个交通路口时的车道导向,与该交通载具通过下一个路口时所要求选择的车道导向一致;
若交通载具当前所在的车道为直行车道,而该交通载具行通过下一个路口时需要左转或者右转,或者掉头,若当前车道延伸到下一个路口时仍然是直行车道,则交通载具当前所在的车道不满足条件2。
本发明与现有技术相比,具有以下有益效果:可以实现无人驾驶汽车能高效,安全,可靠的完成自主换道。
附图说明
附图用于对本发明的进一步理解,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1是按照本发明基于云存储的高精度地图的无人驾驶交通载具的GLOBAL服务器的存储架构示意图。
图2是按照本发明基于云存储的高精度地图的无人驾驶交通载具的导航方法的道路及道路节点示意图。
图3是按照本发明基于云存储的高精度地图的无人驾驶交通载具的导航方法的子道路的划分示意图。
图4是按照本发明基于云存储的高精度地图的无人驾驶交通载具的导航方法的子道路的车道示意图。
图5是按照本发明基于云存储的高精度地图的无人驾驶交通载具的导航方法的原理示意图。
图6是按照本发明基于云存储的高精度地图的无人驾驶交通载具的导航方法的道路周边的环境中的静态物示意图。
图7是按照本发明基于云存储的高精度地图的无人驾驶交通载具的导航方法的交通载具的精确位置计算的方法示意图。
图8是按照本发明基于云存储的高精度地图的无人驾驶交通载具的导航方法的当前子道路上的车道与下一个交通路口所对应的子车道之间所有的子车道的车道不一致的情况之一示意图。
图9是按照本发明基于云存储的高精度地图的无人驾驶交通载具的导航方法的当前子道路上的车道与下一个交通路口所对应的子车道之间所有的子车道的车道一致的情况示意图。
图10是按照本发明基于云存储的高精度地图的无人驾驶交通载具的导航方法的当前子道路上的车道与下一个交通路口所对应的子车道之间所有的子车道的车道不一致的情况之二示意图。
图11是按照本发明基于云存储的高精度地图的无人驾驶交通载具的导航方法的车道数量变少示意图。
图12是按照本发明基于云存储的高精度地图的无人驾驶交通载具的导航方法的车道变更起点子道路与非车道变更起点子道路示意图。
图13是按照本发明基于云存储的高精度地图的无人驾驶交通载具的导航方法的当前子道路的车道数量M小于下一个交通路口的车道的数量N的变道选择示意图。
图14是按照本发明基于云存储的高精度地图的无人驾驶交通载具的导航方法的车道变更示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了更好地理解上述技术方案,下面将结合说明书附图及具体实施方式对本发明技术方案进行详细说明。
实施例:
本发明提出一种基于云存储的高精度地图的交通载具导航方法。在该技术方案中,高精度地图信息存储在云集群服务器中,所述云集群服务器至少包括两级服务器架构。
如图1所示。所述服务器架构至少包括两级架构,其中一级为GLOBAL服务器,所述GLOBAL服务器存储各个国家以及该国家一级行政区域、二级行政区域的边界信息。例如,GLOBAL服务器存储有NATION,PROVINCE/STATE信息,CITY服务器索引。另一级为CITY服务器。GLOBAL服务器不存储具体的道路信息,而CITY服务器存储具体的道路信息。也就是说,在一级服务器中不存储具体的道路信息,而在一级服务器的下级服务器中存储具体的道路信息。GLOBAL服务器关联有多个二级服务器(CITY服务器)。因为同城导航用的最频繁,因此将每个城市的道路ROAD数据都存储到CITY服务器,使用效率最高。
对于一级服务器而言,其包括多个数据表,其中包括存储有各个国家版图边界的坐标信息表。每一个国家版图边界信息表对应多个行政区域边界信息表。一级服务器(GLOBAL服务器)中一级行政区域边界信息表关联多个该一级行政区域边界信息表对应的二级和/或三级行政区域边界信息表。
CITY服务器可以是一个物理服务器集群。在逻辑上,其包含一个起点节点表CITYALL,CITYALL下关联了R条道路信息表,ROAD1,ROAD2,……ROADR,即城市City中所有的道路ROADALL={ROAD1,ROAD2,……ROADR},每一个道路关联一个道路信息表,一共R条道路,例如ROAD1,其关联多个反应道路信息的表,例如:道路类型:Road_Type,道路类型可以是高速路、快速路、主干路、次干路、支路,隧道,桥梁道路等,不同的道路类型,其限速不一样。对本发明而言,道路的划分可以是两个路口之间的可通行的道路,每一个路口(至少连通三条道路)被视为一个道路节点,连接两个道路节点的可供交通载具通行的路为本发明所指的道路。道路信息表中还包括道路唯一编号,道路车道数量:ROAD_Lanes,表示该道路上最少的车道数量,道路方向:ROAD_DIRECTION,表明道路的自然方向。这里的道路方向指的是道路的起点指向终点的矢量方向。道路宽度:ROAD_Width,表示该道路上最窄的宽度。道路长度:ROAD_Length,道路的长度为起点到终点之间的距离。道路子道路:ROAD_SUB。在本发明中,每一个道路被划分为多个子道路,每两个子道路之间设置有子节点。
如图3所示,道路0000004被进一步划分为多个子道路。例如,ROAD_SUB1至ROAD_SUB6一共6个子道路,每两个子道路之间存在子道路节点,ROAD_SUBNODE1至ROAD_SUBNODE5等5个子道路节点。每一个子道路节点位于道路中心线上。对于每一个道路而言,其子道路ROAD_SUB通过子道路节点ROAD_SUBNODE连通。
进一步,对每一个子道路ROAD_SUB进行相关信息表的关联。如图3所示,每一个子道路至少包括一个车道LANE。例如,子道路ROAD_SUB1,其存在三个车道,LANE1,LANE2,LANE3,对于ROAD_SUB2而言,其存在两个车道LANE1,LANE2。SUB_LANNum表示该子道路上的车道数量。本领域的技术人员应当理解,这里的车道虽然都示意性地表示为LANE1,LANE2,然而其分别隶属于不同的子道路,在存储的时候因为存在数据表的关联关系,因此不会造成混乱,当然,在存储的时候对于每一个子道路的车道命名可以更为精细化,例如ROAD_SUB1的子车道可以命名为ROAD_SUB1_LANE1,ROAD_SUB1_LANE2,ROAD_SUB1_LANE3。ROAD_SUB3至ROAD_SUB6的车道,不再在图3中展示其车道名称。
更进一步,对于各车道而言,其具备以下属性:
车道方向:LANE_Direction,表明车道的自然方向,可以用角度来表示,用0度表示由南向北的方向,用90度表示由东向西的方向。这里的车道方向指的是车道的起点指向终点的矢量方向。对于有弧度的车道而言,其车道方向也是由起点指向终点的方向。需要说明的是,车道隶属于子道路,而子道路实际上是本发明中对于某一个道路的进一步细分的虚拟划分的结果。子道路划分的粒度可以通过一定的算法掌控,这不在本发明讨论范围之列,也就是说,一条道路可以被虚拟划分为1,2,3或任意数量的子道路,可多可少。子道路中每一个车道的车道方向能LANE_Direction也未必与道路方向ROAD_DIRECTION一致。
车道宽度:LANE_Width,表示该车道的宽度。
车道长度:LANE_Length,表示该车道的长度。
车道坡度:LANE_Slope,表示该车道的坡度。用正角度表示上坡,用负角度表示下坡,例如10°表示上坡,上坡坡度为10度;-5°表示下坡,下坡坡度为5度。
车道边界信息LANE_Left和LANE_Right。本发明中,将存储每一个车道的边界信息,车道的边界信息可以是以下中的一种或多种:实线,虚线,防护隔断,路肩,无标记路面,高坡,水,无(悬崖)等。例如,对于某一车道LANE而言,其LANE_Left=实线,LANE_Right=防护隔断,即意味着该车道的左侧为交通标记实线,而右侧为防护栏;若LANE_Left=虚线,LANE_Right=路肩,则意味着该车道的左侧为交通标记虚线,右侧为路肩。如此可以进一步提高地图的精度,以备后续导航或者无人驾驶时使用。
车道类型:LANE_TYPE,包括:公交车道,货车车道,小车车道,专用车道等。
车道指向:LANE_Orientation:车道的行驶导向,可以是混合车道,左转车道,直行车道,右转车道,掉头车道,左转和掉头车道,左转和直行车道,右转和直行车道,右转和掉头车道等。
除上述需要保存的地图信息之外,本发明的技术方案中还可以包括以下信息:
ROAD_PMARKS:道路路面标记。包括路面标记线,标志,例如斑马线,车道线,行驶提示标记或文字等。进一步,ROAD_PMARKS可以包括:
PMARK_STYPE,即道路路面标记类型,例如人行道,指向箭头灯,PMARKS_POSITION,道路路面标记的位置,该位置可以是相对于道路起点和/或终点的距离位置,或者是相对于某一参照物的位置,PMARKS_SHAPE,即道路路面标记的形状,可以以多边形的多个顶点来标记,例如用8个顶点来表示路面标记的形状。
ROAD_CAMERAS:道路摄像机,包括用于探测交通载具行驶姿态的摄像头,例如违章拍摄摄像头,和/或监测道路状况的摄像头,例如监控车流量的摄像头。ROAD_CAMERAS可以进一步关联多个摄像头表,例如ROAD_CAMERA1,ROAD_CAMERA2,……。每一个摄像头表中记录有ROAD_CAMERA_TYPE,即摄像头类型,ROAD_CAMERA_POSITION,摄像头的位置,以及摄像头的其他参数,例如网络状况,水平角,仰角,分辨率等。
ROAD_TFCLIGHTS:道路上的交通信号灯。每一个道路的ROAD_TFCLIGHTS关联有0个,1个或2个交通信号灯ROAD_TFCLIGHT1,ROAD_TFCLIGHT2,每一个交通信号灯具有以下属性:TFCLIGHT_POSITION,即交通信号灯的位置,TFCLIGHT_GREENTIME,即绿灯时长,TFCLIGHT_REDTIME,即红灯时长,TFCLIGHT_YELLOWTIME,即黄灯时长,TFCLIGHT_MODE,即交通信号灯的工作模式,例如频闪黄灯模式,常绿模式,常红模式,红绿灯切换模式,红绿黄灯切换模式等;TFCLIGHT_GREENTIME、TFCLIGHT_REDTIME、TFCLIGHT_YELLOWTIME、TFCLIGHT_MODE可以随时间段TFCLIGHT_TIMEWINDOWS变化而变化,可以对摄像头进行多个时间段的设置,即TFCLIGHT_TIMEWINDOW1,TFCLIGHT_TIMEWINDOW2,TFCLIGHT_TIMEWINDOW3……,所述时间段为一个起始的时间和一个终止的时间之间的时间段。每一个TIMEWINDOW都可以设置不同的模式MODE,每一个模式都可以设置不同的TFCLIGHT_GREENTIME、TFCLIGHT_REDTIME、TFCLIGHT_YELLOWTIME。TFCLIGHT_ERROR,是否故障。
ROAD_LIGHTS:道路两侧或者中间的路灯,每一个道路可以关联0个,1个,2个或者多个路灯ROADLIGHT,例如ROAD_LIGHT1,ROAD_LIGHT2,ROAD_LIGHT3,……等。每一个路灯包括以下属性:ROAD_LIGHT_TIMEWINDOW,即亮灯时间段,ROAD_LIGHT_POSITION,即路灯的位置,例如(L,500),表示该路灯的位置为距离参照点(可以是起点或者是终点)500米,位于道路左侧(L)。
ROAD_LIGHT_HIGHT,路灯高度,ROAD_LIGHT_TYPE,路灯类型,例如LED等,太阳能灯,钠灯等等,ROAD_LIGHT_ERROR,是否故障。
ROAD_BUSTOPS,道路上的公交车站点信息,一个道路上可以有0个,1个,2个,或者多个公交车站点信息,例如ROAD_BUSTOP1,ROAD_BUSTOP2等,每一个ROAD_BUSTOP可以进一步关联一下信息:BUSSTOP_POSITION,公交车站点的位置,BUSSTOP_LENGTH,公交车站点的长度,BUSSTOP_WIDTH,公交车站点的宽度。
ROAD_MINDEXS,道路路边标记,一个道路上可以具有多个路边标记,例如ROAD_MINDEX1,ROAD_MINDEX2,……等,每一个路边标记包括:MINDEX_TYPE,路边标记类型,例如路牌,道路指示牌。MINDEX_POSITION,路边标记的位置。
ROAD_RSUS:表示该道路上的车联网中的路测单元RSU的信息,每一个RSU信息都是一个实时动态更新的数据表。
ROAD_PMATERIALS,路面材质,例如渣土路面,水泥路面,沥青路面等。
ROAD_PASSABILITY,道路可通过性,可以用(0,1)表示,0表示该道路处于封闭状态,例如因为施工,管制等因素不能通行,1表示可通行。
ROAD_TRAFFICABILITY,表示道路的通行能力,即拥堵状况,道路的拥堵状况可利用交通车流量模型来计算,具体的计算方法不在本发明讨论之列。
车道LANE的某些属性可以继承道路ROAD的某些属性,例如RSU信息,LANE_RSUS可以继承道路的ROAD_RSUS属性。对于公交站点信息而言,LANE_BUSTOPS可以继承ROAD_BUSTOPS的属性。ROAD_LIGHT_HIGHT,即路灯高度,可以继承给车道的路灯高度属性LANE_LIGHT_HIGHT。
LANE_HIGHT,车道高度,即车道距离地面的高度,对于某些高架道路而言,其具有地面道路和桥上道路之分,复杂的情况,桥上道路还有多层之分,因此LANE_HIGHT可以用0,1,2,3,4,5等等级表示不同高度的车道。
LANE_TRAFFICABILITY,车道的通行能力。车道通行能力是对道路通行能力的粒度化的细分。如前所述,一个道路在纵向上被划分为多个子道路,而每一个子道路在横向上被细分为至少一个车道,即,在本发明中,可以将道路视为车道的上位概念。道路通行能力ROAD_TRAFFICABILITY反映了该道路的整体通行能力,而车道通行能力LANE_TRAFFICABILITY则反映了该具体车道的通行能力,相对于道路通行能力而言,车道通行能力更能精确地表述道路的通行状况。
基于高精度地图,本发明提出了一种交通载具的导航方法,该方法包括以下步骤:
步骤一,获取车辆行驶路径。在该步骤中,通过电子地图导航技术来获取车辆行驶起点和终点之间的最优路径,该最优路径有电子地图导航系统推荐,并最为车辆当前的行驶路径。
步骤二,获取车辆的位置。车辆的当前位置分为大致位置和精确位置。其中,大致位置可以由北斗导航系统,GPS系统等定位系统获取,本领域的技术人员应当理解,可以在交通载具上设置卫星定位接收装置来获取其卫星定位的位置。因为卫星定位系统的定位精度为米级,难以做到亚米级,甚至分米,厘米级别。
在本发明中,交通载具的精确位置由高精度地图来获取。在交通载具上设置有激光传感器,可见光及红外成像设备,以及雷达传感器,可以实时获取车辆的周围环境的信息,例如可以探测或者计算识别出该交通载具与道路边界、前后左右,侧前侧后方物体的距离等。因为环境物中的某些物相对道路而言是静止的,例如红绿灯,路边路灯,标志杆,标志线等。因此,获取其精确位置的方法可以是:首先,获取交通载具的大致位置,通过大致位置获取该交通载具当前行驶的道路。其次,利用车载环境感知设备(激光传感器,可见光及红外成像设备,以及雷达传感器,以及OBU等)感知交通载具的周围环境物。获取周围环境物中的至少一个静态物,感知交通载具与所述至少一个静态物的距离,通过所确定的交通载具与静态物的距离确定该交通载具的精确位置。
如图6所示。交通载具通过感知设备感知到道路周边的环境中的静态物,例如红绿灯,三角路牌,圆形路标。在本发明中,与传统感知方式不同的是,传统感知方式仅依赖于交通载具自身的感知设备去感知周围环境物,而本发明中,结合高精度电子导航地图来感知。交通载具在行驶过程中,会启动高精度地图(通常是三维的,甚至是四维的)系统,在高精度地图中,每一条道路ROAD的环境物会记录在一张数据表中ROAD_Stationary_Objects,每一条道路Roadi,都会关联一个数据表ROAD_Stationary_Objects,ROAD_Stationary_Objects={SO1,SO2,......,SONso},其中SO表示一个静止环境物,Nso为该道路上静止环境物的总数,应当理解,每一条道路的Nso的数量可能会不一样。
其中,每一个环境静止物的表示为:
SO(SO_Position,SO_MarkPt(Pt1,Pt2,...,PtNpt)),SO_Position表示该标记物的绝对位置,可以用(x,y)二维坐标表示,可以取其相对于路面的投影上的某一个点或者区域为其当前位置。注意到,几乎所有的诸如道路指示牌,道路路灯等路边静止物都是由杆加面(圆形面,三角形面,矩形面)构成,因此其在路面的投影几乎都是点线结构。对于有杆的静止物,其杆所对应的路面投影位置为其SO_Position,对于没有杆的静止物,例如悬挂在过街天桥,隧道口上的标记物,可以将其在路面投影的中点作为其SO_Position。SO_MarkPt表示该静止物上的标记点,这些标记点可以通过人工或者自动标记的方式预先存储在高精度地图中。前述SO_Position确定了标记物的二维坐标(x,y),而SO_MarkPt取自于静止标记物上的一个或者多个点,图X示意出了常见形状的路边静态物的面形状,及其SO_MarkPt。例如对于三角标记物而言,其三个顶点可以作为其标记点,因此其具有三个标记点Pt1,Pt2,Pt3。而对于多边形而言,各顶点可以作为其标记点,例如箭头指示牌,其具有五个标记点Pt1,Pt2,Pt3,Pt4,Pt5。每一个静止物上的标记点Pt为三维坐标点Pt(xpt,ypt,zpt),注意到,标记牌等静止环境物几乎都是垂直于道路,现有的标记牌上一般都不具备物理实体上的标记点,因此可以通过人工或者边缘检测的方式识别出标记点,而更为优选的方式是,在每一个道路指示牌等静止物上预先设置具有可供交通载具接收的信号源,该信号源可以是一个小圆块,小方块等形状,可以设置在标记牌的杆顶端,或者标记牌的中心位置,其可以被交通载具的感知设备直接感知,例如在圆形标记牌的圆心设置一个3X3CM的信号源,其向周围环境以广播的方式发出关于其位置的信号。这样可以极大提高交通载具对周围环境物的感知能力。
因为SO_MarkPt的存在,并且可以被交通载具所感知,交通载具的车载系统的处理器可以计算出交通载具与每一个环境静态物中标记点的物理距离,这个距离可能是分米甚至是厘米级别的,因此可以通过所感知到的交通载具与周围道路中一个或多个环境静态物中的一个或多个标记点的物理距离确定交通载具与这些环境物的标记点的相对位置,因此可以获知或者利用几何关系计算得到交通载具的精确位置。如图7所示,交通载具周边道路上的圆形指示牌与三角形指示牌的标记点的距离L1为已知,因为两个标记牌是固定的,因此两个标记牌上的各标记点之间的距离可以通过其坐标差值计算得到。对于高度不同的标记点,只需要经过高度的修正即可,因为车辆相对于路面的高度是一定的,标记点相对于地面的高度也是一定的,两个标记点与车辆的感知设备这三点之间会且唯一会共面。因此图X中,在L2,L3已知的情况下,一定可以确定得到位移的α,β,γ值,因此该交通载具的精确位置可以被确定。
步骤三,判断是否需要变更车道。若是,则进一步判断是否满足车道变更条件,若满足,则进行车道变更,若不满足,则不进行车道变更。
本发明中,是否满足车道变更的条件的判断方法与过程如下:
判断交通载具当前所在的车道是否满足条件1:该车道能够延伸到下一个交通路口。如图8所示,图中最下方的道路的某一个子道路上存在4条车道,仅车道1能够延伸到下一个交通路口,车道2和车道3在延伸到下一个交通路口之前已经被撤销,车道4在为延伸到道路路口即消失。
如果交通载具行驶在不满足条件1的车道上,则获取下一个交通路口的车道信息,假设当前子道路的车道数量为M,而下一个交通路口的车道的数量为N,下一个交通路口的车道数量可以通过高精度地图中最靠近该交通路口的子车道信息获得。
一般情况下,若M=N,则意味着当前子道路上的车道与下一个交通路口所对应的子车道之间所有的子车道的车道是一致的,所述一致指的是各子道路的相互对应的子车道的宽度一样,并且互相连通。如图9所示。
考虑到例外的情况,若M=N,但并不必然意味着当前子道路上的车道与下一个交通路口所对应的子车道之间所有的子车道的车道是一致的,如下图所示。当前交通载具所在的道路的子道路的车道数为3,下一个交通路口所对应的子车道数也为3,而中间的某一个子道路ROAD_SUB’的车道数为2,即最外侧的车道不能延伸到下一个路口。
因此,在M=N的情况下,需要判断当前子道路上的车道与下一个交通路口所对应的子车道之间所有的子车道的车道是否一致。若是,则表明交通载具所在的车道能够延伸到下一个交通路口。
若当前车道不能能够延伸到下一个交通路口,则可能有以下三种情况:1:仅下一个交通路口所对应的子车道与当前子车道的车道不一致(如上上图所示),2,下一个交通路口与当前子车道之间的某一个或者多个子车道与当前子车道的车道不一致,如图10所示。3,同时具备上述1和2的情况。
如果当前车道不能能够延伸到下一个交通路口,且仅下一个交通路口所对应的子车道与当前子车道的车道不一致,则判断当前子道路的车道数量M与下一个交通路口的车道的数量N之间的大小关系。若M>N,则意味着行驶在当前子车道上的交通载具行驶到下一个路口时,车道数量变少,例如由4车道变为3车道,如图11所示。
当前子道路的车道数量M大于下一个交通路口的车道的数量N的变道选择
此时,在当前道路上必然存在至少一个子车道,该子车道的车道数量为N,一般情况下,可以沿交通载具所在的当前子道路到下一个交通路口方向上遍历所有的子道路,若某一个子道路ROAD_SUBi,其ROAD_SUBi_Num<ROAD SUBi-1 Num,则该子道路可以作为变更车道的起点。但也存在例外的情况,如图12所示。
如图12中,存在两个ROAD_SUBi_Num<ROAD_SUBi-1_Num的情况,如虚线框所示的两个子道路。对于靠近交通载具的虚线框所示的子道路,显然不能车道变更的子道路(如果当前交通载具行驶在最左侧,其也面临车道变更,但不在该情形讨论之列),而对于靠近下一个交通路口的虚线框所示的子道路,将作为车道变更起点子道路。
因此,沿交通载具所在的当前子道路到下一个交通路口方向上遍历所有的子道路,若某一个子道路ROAD_SUBi,若满足ROAD_SUBi_Num<ROAD_SUBi-1_Num,且ROAD_SUBi最靠近下一个交通路口,则该子道路作为变更车道的起点。
另一种情况,若M>N。则意味着行驶在当前子车道上的交通载具行驶到下一个路口时,车道数量变少,例如由3车道变为4车道,如图13所示。
此时,沿交通载具所在的当前子道路到下一个交通路口方向上遍历所有的子道路,若某一个子道路ROAD_SUBi,若满足ROAD_SUBi_Num>ROAD_SUBi-1_Num,且ROAD_SUBi最靠近下一个交通路口,则该子道路作为变更车道的起点。
步骤四,若满足安全行驶的条件,则对当前交通载具进行车道进行变更,否则不进行车道变更。无论是M>N,或者M<N,首先,获取当前车道和下一个子道路中目标车道的中轴线,如图14所示,当前车道的中轴线为O1,下一个子道路中目标车道中轴线为O2,对交通载具的转向系统施加干预力,使其朝向靠近O2的方向行驶,当交通载具的车头与O2相交时,对交通载具的转向系统施加干预力,使其沿O2的方向行驶。关于是否满足安全行驶条件的判断,可以考虑到临近车道的前后左右的其他交通载具的行驶行为,以及环境物中的行人,需要避让物,交通规则等因素,即安全行驶条件为不令当前交通载具或者其周围环境物面临不良后果的条件。
如果交通载具行驶在满足条件1的车道上,则需要进一步判断是否满足条件2:该车道延伸到下一个交通路口时的车道导向,与该交通载具通过下一个路口时所要求选择的车道导向一致。例如,交通载具当前所在的车道为直行车道,而该交通载具行通过下一个路口时仍然是直行,如果当前车道延伸到下一个路口时仍然是直行车道,则交通载具当前所在的车道满足条件2。如果交通载具当前所在的车道为直行车道,而该交通载具行通过下一个路口时需要左转或者右转,或者掉头,如果当前车道延伸到下一个路口时仍然是直行车道,则交通载具当前所在的车道不满足条件2。
如果不满足条件2,则该交通载具也必将面临车道变更,也就是说其车道变更需求也为刚性需求。
如果满足条件2,则该交通载具可能会做出车道变更选择,也可能不做出车道变更选择。此时其车道变更需求为非刚性需求。
因此,每一个交通载具都会有一个换道的需求程度Lane Change Demand(LCD),换道需求程度的计算方式如下:
换道的需求程度Lane Change Demand(LCD)也可以理解为换道优先级,其与车道变更的必要性,
θ为需求因子,当交通载具当前所在车道不满足条件1时,其车道变更需,θ的值可取一个相对于非刚需的情形下较大的值,交通载具当前所在的车道满足条件1,不满足条件2时,θ的值也可取一个相对于非刚需的情形下较大的值,而对于交通载具当前所在的车道满足条件1和条件2时,其θ的值可取一个相对于非刚需的情形下较小的值,例如:
TimeLC_Left为换道交通载具在当前车道上行驶时,进行车道变更的剩余时间,即在TimeLC_Left时间内,车辆必须进行车道变更,否则就不满足车道变更的条件,单位为秒。TimeLC_Use为变换车道过程所需要的时间,单位为秒。LC_Num为变换车道的数量,即需要几次变道,LC_Num=1,2,3,4……等,为自然数。在不需要变换车道时,LC_Num=0。
换道需求程度越高,对其进行车道变更的优先级越高。优选地,对换道需求程度高的交通载具进行换道控制。
以上仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于云存储的高精度地图的无人驾驶交通载具的导航方法,其特征在于,所述方法包括以下步骤:
获取交通载具行驶路径,通过电子地图导航技术来获取交通载具行驶起点和终点之间的最优路径,该最优路径由电子地图导航系统推荐,并为交通载具当前的行驶路径;
获取交通载具的位置,交通载具的当前位置分为大致位置和精确位置,大致位置由定位系统获取,精确位置由高精度地图来获取;
判断是否需要变更车道,若是,则进一步判断是否满足车道变更条件,若满足,则进行车道变更,若不满足,则不进行车道变更;
若满足安全行驶的条件,则对当前交通载具进行车道进行变更,否则不进行车道变更。
2.根据权利要求1所述的基于云存储的高精度地图的无人驾驶交通载具的导航方法,其特征在于,高精度地图信息存储在云集群服务器中,所述云集群服务器至少包括两级服务器架构。
3.根据权利要求2所述的基于云存储的高精度地图的无人驾驶交通载具的导航方法,其特征在于,获取精确位置的方法包括以下步骤:
获取交通载具的大致位置,通过大致位置获取该交通载具当前行驶的道路,获取周围环境物中的至少一个静态物,感知交通载具与至少一个静态物的距离,通过所确定的交通载具与静态物的距离确定该交通载具的精确位置。
4.根据权利要求3所述的基于云存储的高精度地图的无人驾驶交通载具的导航方法,其特征在于,是否满足车道变更的条件的判断方法包括:
判断交通载具当前所在的车道是否满足条件1:该车道能够延伸到下一个交通路口,若交通载具行驶在不满足条件1的车道上,则获取下一个交通路口的车道信息。
5.根据权利要求4所述的基于云存储的高精度地图的无人驾驶交通载具的导航方法,其特征在于,是否满足车道变更的条件的判断方法还包括:
若当前子道路的车道数量为M,而下一个交通路口的车道的数量为N,下一个交通路口的车道数量可通过高精度地图中最靠近该交通路口的子车道信息获得。
6.根据权利要求5所述的基于云存储的高精度地图的无人驾驶交通载具的导航方法,其特征在于,是否满足车道变更的条件的判断方法还包括:
若M=N,则当前子道路上的车道与下一个交通路口所对应的子车道之间所有的子车道的车道是一致的,所述一致指的是各子道路的相互对应的子车道的宽度一样,并且互相连通。
7.根据权利要求6所述的基于云存储的高精度地图的无人驾驶交通载具的导航方法,其特征在于,是否满足车道变更的条件的判断方法还包括:
在M=N的情况下,需判断当前子道路上的车道与下一个交通路口所对应的子车道之间所有的子车道的车道是否一致,若是,则表明交通载具所在的车道能够延伸到下一个交通路口。
8.根据权利要求7所述的基于云存储的高精度地图的无人驾驶交通载具的导航方法,其特征在于,是否满足车道变更的条件的判断方法还包括:
若当前车道不能能够延伸到下一个交通路口,且仅下一个交通路口所对应的子车道与当前子车道的车道不一致,则判断当前子道路的车道数量M与下一个交通路口的车道的数量N之间的大小关系,若M>N,则行驶在当前子车道上的交通载具行驶到下一个路口时,车道数量变少。
9.根据权利要求8所述的基于云存储的高精度地图的无人驾驶交通载具的导航方法,其特征在于,沿交通载具所在的当前子道路到下一个交通路口方向上遍历所有的子道路,若某一个子道路ROAD_SUBi,若满足ROAD_SUBi_Num>ROAD_SUBi-1_Num,且ROAD_SUBi最靠近下一个交通路口,则该子道路作为变更车道的起点。
10.根据权利要求8所述的基于云存储的高精度地图的无人驾驶交通载具的导航方法,其特征在于,若交通载具行驶在满足条件1的车道上,则需要进一步判断是否满足条件2,即该车道延伸到下一个交通路口时的车道导向,与该交通载具通过下一个路口时所要求选择的车道导向一致;
若交通载具当前所在的车道为直行车道,而该交通载具行通过下一个路口时需要左转或者右转,或者掉头,若当前车道延伸到下一个路口时仍然是直行车道,则交通载具当前所在的车道不满足条件2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110454859.XA CN113654571A (zh) | 2021-04-26 | 2021-04-26 | 基于云存储的高精度地图的无人驾驶交通载具的导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110454859.XA CN113654571A (zh) | 2021-04-26 | 2021-04-26 | 基于云存储的高精度地图的无人驾驶交通载具的导航方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113654571A true CN113654571A (zh) | 2021-11-16 |
Family
ID=78489065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110454859.XA Withdrawn CN113654571A (zh) | 2021-04-26 | 2021-04-26 | 基于云存储的高精度地图的无人驾驶交通载具的导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113654571A (zh) |
-
2021
- 2021-04-26 CN CN202110454859.XA patent/CN113654571A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021104180A1 (zh) | 地图生成方法、定位方法、装置、设备、存储介质及计算机程序 | |
US10309796B2 (en) | Method of representing road lanes | |
US20150019128A1 (en) | Method and System for Representing Traffic Signals in a Road Network Database | |
WO2020029601A1 (zh) | 一种地图车道横向拓扑关系的构建方法、系统及存储器 | |
US6622085B1 (en) | Device and method for creating and using data on road map expressed by polygons | |
CN111351495B (zh) | 服务器系统、方法及机器可读介质 | |
JP5591444B2 (ja) | 位置及び曲率−進行方向に関する2元道路形状表現 | |
CN110132279B (zh) | 局部路径规划的测试方法和装置 | |
US7463974B2 (en) | Systems, methods, and programs for determining whether a vehicle is on-road or off-road | |
JP6280409B2 (ja) | 自車位置修正方法、ランドマークデータ更新方法、車載機、サーバおよび自車位置データ修正システム | |
US20070021912A1 (en) | Current position information management systems, methods, and programs | |
JP2023509468A (ja) | 車両ナビゲーション用のシステムおよび方法 | |
CN112325896B (zh) | 导航方法、装置、智能行驶设备及存储介质 | |
EP3822945B1 (en) | Driving environment information generation method, driving control method, driving environment information generation device | |
CN117053812A (zh) | 使用电子地平线导航交通工具 | |
EP1498694B1 (en) | Vehicle driver assistance system | |
CN113155145A (zh) | 一种面向自动驾驶车道级导航的车道级路径规划方法 | |
JP2023539868A (ja) | マップベースの現実世界モデル化のシステム及び方法 | |
JP2023508769A (ja) | ナビゲーションのためのマップタイル要求を最適化するためのシステム及び方法 | |
JP2023519940A (ja) | 車両をナビゲートするための制御ループ | |
JP2023509292A (ja) | 信号機を検出するためのシステムおよび方法 | |
JP7068756B2 (ja) | 地図データ生成プログラム、コンピュータ読取可能な記録媒体および地図データ生成装置 | |
CN116597690B (zh) | 智能网联汽车的高速公路测试场景生成方法、设备及介质 | |
CN113654571A (zh) | 基于云存储的高精度地图的无人驾驶交通载具的导航方法 | |
JP3222438B2 (ja) | 地図表示装置及びその方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211116 |